We’ve already alluded to one thing

We’ve already alluded to one thing that our data analysis can’t tell us. Even if
our experiment is internally valid and the results are statistically significant,
we cannot say for sure that our independent variable had an effect (or did not
have an effect). We must learn to live with probability statements. The results
of our data analysis also can’t tell us whether the results of our study have
practical value or even if they are meaningful. It is easy to do experiments
that ask trivial research questions (see Sternberg, 1997, and Chapter 1). It is
also easy (maybe too easy!) to do a bad experiment. Bad experiments—that
is, ones that lack internal validity—can easily produce statistically significant
outcomes and nonoverlapping confidence intervals; however, the outcome
will be uninterpretable.
When an outcome is statistically significant, we conclude that the independent
variable produced an effect on behavior. Yet, as we have seen, our analysis
does not provide us with certainty regarding our conclusion, even though we
reached the conclusion “beyond a reasonable doubt.” Also, when an outcome
is not statistically signifi cant, we cannot conclude with certainty that the independent
variable did not have an effect. All we can conclude is there is not
suffi cient evidence in the experiment to claim that the independent variable
produces an effect. Determining that an independent variable has not had an effect
can be even more crucial in applied research. For example, is a generic drug
as effective as its brand-name counterpart? To answer this research question,
researchers often seek to fi nd no difference between the two drugs. The standards
for experiments attempting to answer questions regarding no difference
between conditions are higher than those for experiments seeking to confi rm
that an independent variable does have an effect. We describe these standards
in Chapter 12.

Kết quả (Việt) 1:

Chúng tôi đã đã ám chỉ một điều mà phân tích dữ liệu của chúng tôi không thể cho chúng tôi biết. Ngay cả khithử nghiệm của chúng tôi là hợp lệ trong nội bộ và kết quả có ý nghĩa thống kê,chúng tôi không thể nói chắc chắn rằng chúng tôi biến độc lập này có hiệu lực (hay khôngcó hiệu lực). Chúng ta phải học cách sống với xác suất phát biểu. Kết quảdữ liệu của chúng tôi phân tích cũng không thể cho chúng tôi biết cho dù kết quả nghiên cứu của chúng tôi cógiá trị thực tiễn hoặc ngay cả khi họ đang có ý nghĩa. Nó rất dễ dàng để làm thí nghiệmmà câu hỏi nghiên cứu tầm thường (xem Sternberg, năm 1997, và chương 1). Nó làcũng dễ dàng (có thể quá dễ dàng!) để làm một thử nghiệm xấu. Thí nghiệm xấu-màlà những cái mà thiếu hiệu lực nội bộ-có thể dễ dàng tạo ra ý nghĩa thống kêkết quả và khoảng tin cậy nonoverlapping; Tuy nhiên, kết quảsẽ là uninterpretable.Khi một kết quả thống kê quan trọng, chúng tôi kết luận rằng độc lậpbiến sản xuất ảnh hưởng đến hành vi. Tuy nhiên, như chúng ta đã thấy, phân tích của chúng tôikhông cung cấp cho chúng tôi với sự chắc chắn về kết luận của chúng tôi, mặc dù chúng tôiđi đến kết luận "ngoài nghi ngờ." Ngoài ra, khi một kết quảkhông phải là về mặt thống kê signifi cant, chúng tôi không thể kết luận chắc chắn rằng độc lậpbiến không có hiệu lực. Tất cả chúng ta có thể kết luận là khôngsuffi gói bằng chứng trong các thử nghiệm yêu cầu bồi thường đó biến độc lậptạo ra một hiệu ứng. Việc xác định rằng một biến độc lập đã không có hiệu lựccó thể thậm chí nhiều hơn rất quan trọng trong nghiên cứu ứng dụng. Ví dụ, là một loại thuốc generichiệu quả như đối tác tên thương hiệu của mình? Để trả lời các câu hỏi nghiên cứu này,Các nhà nghiên cứu thường tìm cách fi nd có sự khác biệt giữa hai loại thuốc. Các tiêu chuẩnthí nghiệm cố gắng trả lời các câu hỏi về việc có sự khác biệtgiữa điều kiện là cao hơn so với thí nghiệm tìm cách cấu rmrằng một biến độc lập có hiệu lực. Chúng tôi mô tả những tiêu chuẩn nàytrong 12 chương.

Kết quả (Việt) 2:

Chúng ta đã ám chỉ một điều rằng phân tích dữ liệu của chúng tôi không thể nói cho chúng tôi. Ngay cả khi
thí nghiệm của chúng tôi là trong nội bộ hợp lệ và kết quả rất có ý nghĩa,
chúng ta không thể nói chắc chắn rằng biến độc lập của chúng tôi đã có một tác dụng (hoặc không
có hiệu lực). Chúng ta phải học cách sống với các báo cáo xác suất. Các kết quả
phân tích dữ liệu của chúng tôi cũng không thể nói cho chúng tôi biết kết quả nghiên cứu của chúng tôi có
giá trị thực tế hoặc thậm chí nếu họ có ý nghĩa. Nó rất dễ dàng để làm thí nghiệm
với những câu hỏi nghiên cứu tầm thường (xem Sternberg, 1997, và Chương 1). Nó
cũng dễ dàng (có lẽ quá dễ dàng!) Để làm một thử nghiệm không tốt. Thí nghiệm-Bad
là, những người mà thiếu nội trị-có thể dễ dàng tạo ra ý nghĩa thống kê
kết quả và khoảng tin cậy không chồng lấn; Tuy nhiên, kết quả
sẽ được uninterpretable.
Khi một kết quả có ý nghĩa thống kê, chúng tôi kết luận rằng độc lập
biến sản xuất ảnh hưởng đến hành vi. Tuy nhiên, như chúng ta đã thấy, phân tích của chúng tôi
không cung cấp cho chúng tôi một cách chắc chắn về kết luận của chúng tôi, mặc dù chúng tôi
đi đến kết luận "không còn nghi ngờ hợp lý." Ngoài ra, khi một kết quả
không phải là không thể signifi thống kê, chúng ta không thể kết luận một cách chắc chắn rằng độc lập
biến không có hiệu lực. Tất cả chúng ta có thể kết luận là không có
bằng chứng cient suffi trong thử nghiệm để khẳng định rằng các biến độc lập
tạo ra một hiệu ứng. Xác định rằng một biến độc lập đã không có ảnh hưởng
có thể còn quan trọng hơn trong nghiên cứu ứng dụng. Ví dụ, là một loại thuốc generic
có hiệu quả như thương hiệu của đối tác? Để trả lời câu hỏi nghiên cứu này,
các nhà nghiên cứu thường tìm cách fi thứ không có sự khác biệt giữa hai loại thuốc. Các tiêu chuẩn
cho các thí nghiệm cố gắng để trả lời các câu hỏi liên quan đến không có sự khác biệt
giữa các điều kiện là cao hơn so với các thí nghiệm tìm kiếm để confi rm
rằng một biến độc lập không có hiệu lực. Chúng tôi mô tả các tiêu chuẩn này
trong Chương 12.